2025/2026
Рекомендательные системы
Статус:
Маго-лего
Кто читает:
Базовая кафедра Яндекс
Где читается:
Факультет компьютерных наук
Когда читается:
4 модуль
Охват аудитории:
для своего кампуса
Язык:
русский
Кредиты:
3
Контактные часы:
40
Программа дисциплины
Аннотация
Курс нацелен на формирование у слушателя достаточных знаний, навыков и компетенций для построения рекомендательных систем. Курс является прикладным и охватывает все продвинутые темы, необходимые для успешного применения как в индустрии, так и в академических исследованиях. Слушатели курса научатся постановке и имплементации рекомендательных ML моделей на Python от простой коллаборативной фильтрации до современных нейронных сетей.
Цель освоения дисциплины
- Знать основные подходы рекомендательных систем и алгоритмов к решению задачи ранжирования и рекомендаций пользователям.
- Уметь правильно определять и формализовывать задачу для построения рекомендательной системы.
- Определять и имплементировать функции ранжирования и метрики качества оценки алгоритмов.
- Разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.
- Объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий.
- Разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker.
Планируемые результаты обучения
- Умение разрабатывать модели машинного обучения для рекомендательных систем разной сложности на языке программирования Python.
- Умение объяснять и интерпретировать предсказания на локальном и глобальном уровне моделей, использовать их для отладки ошибок и аномалий.
- Умение разрабатывать базовые API сервисы для рекомендательных моделей с помощью docker.
Содержание учебной дисциплины
- Введение в рекомендательные системы
- Базовые подходы.
- Матричная факторизация
- Контентные подходы
- Контентные и контекстные модели.
- Гибридные модели.
- Нейросетевые модели для задачи next-item рекомендаций
- Нейросетевые модели для задачи NBR (next-basket recommendation)
- Автоэнкодеры и вариационные автоэнкодеры
- Графовые нейросетевые модели.
- Интерпретируемость и объяснимость моделей.
- Uplift и экономические рекомендательные системы
- Multi-task и cross-domain рекомендательные модели.
- RL для рекомендательных систем.
- Контентные рекомендации на мультимодальных данных
- A/B тестирование рекомендательной системы.
- Large scale RecSys
- Написание сервиса рекомендательной системы.
- LLM в рекомендациях.
- Контекстные рекомендации
- Прикладные аспекты и тренды в рекомендательных системах
Промежуточная аттестация
- 2025/2026 4th module0.25 * Домашнее задание 1 + 0.5 * Контрольная работа + 0.25 * Домашнее задание 2
Список литературы
Рекомендуемая основная литература
- Manouselis, N., Drachsler, H., Verbert, K., Duval, E. Recommender Systems for Learning. – Springer, 2013. – ЭБС Books 24x7.
Рекомендуемая дополнительная литература
- Parul Aggarwal, Vishal Tomar, & Aditya Kathuria. (2017). Comparing Content Based and Collaborative Filtering in Recommender Systems. Retrieved from http://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsbas&AN=edsbas.32D5064E